详细转换

概述

为了充分利用设备上的AI模型，必须先将它们转换为目标平台的RVC编译格式。如果您想了解什么是转换、为什么需要转换以及涉及的一些关键概念，请参阅转换部分。虽然Hub通过快速转换工具提供了一个快速且简化的选项，但某些工作流需要更精细的控制。详细转换工作流正是为这些高级用例设计的，提供了细粒度的配置参数和版本/变体管理。如果您更喜欢快速一次性的转换且设置最少，请参阅快速转换部分。

转换

此处假设要转换的模型已经上传到Hub。如果此步骤尚未完成，请参考模型上传指南。

对于自定义模型，尽可能优先上传ONNX NN Archive作为基础模型。

来源NN Archive作为模型张量元数据、预处理和可选后处理元数据(heads)的真实来源，这使得转换流程更可预测，并且通常会产生一个已准备好用于DepthAI的转换存档，无需手动编辑。

如果您改为上传原始的ONNX文件，Hub可以从图中推断部分张量结构，但无法推断训练时的预处理选择或语义输出元数据（如类别名称和解析器选择）。

分步说明：

打开模型变体

打开Hub，导航到模型部分，打开所需模型，滚动到模型变体，点击要导出的变体旁边的转换。

选择目标平台

选择目标RVC平台。可用的目标取决于上传的基础模型格式。实际上，基于ONNX的模型源提供了跨平台最广泛的转换支持。

配置转换表单

检查预填的值并根据需要进行调整。如果基础模型是原始的ONNX文件，请手动输入源模型输入设置。如果基础模型是ONNX NN Archive，请将其config.json作为真实来源，仅在存档元数据不正确时才更改值。使用下面的参考部分了解每个字段的确切含义。

导出并确认结果

点击导出开始转换。新的模型实例最初显示为待处理，当导出准备就绪时变为成功。然后您可以下载转换后的存档，或通过DepthAI直接引用它。

参数参考

源模型输入设置

参数	类别	含义
`Shape`	源模型	源模型期望的输入形状
`Mean Values`	源模型	从输入中减去的每个通道的值
`Scale Values`	源模型	减去均值后应用的每个通道除数
`Encoding From`	源模型	源模型期望的通道顺序
`Encoding To`	导出模型	转换后的模型在运行时期望的通道顺序

平台和导出设置

参数	类别	含义
`Model Instance Name`	导出模型	Hub中显示的转换后实例的名称
`Ir version` / `Snpe version`	转换过程	目标转换格式或运行时版本
`Disable Onnx Simplification`	转换过程	在转换过程中禁用`ONNX`图简化
`Mo Args`	转换过程	用于`RVC2`和`RVC3`的额外OpenVINO模型优化器参数
`Compile Tool Args`	转换过程	用于`RVC2`的额外OpenVINO编译工具参数
`POT Target Device`	转换过程	用于`RVC3`的POT目标设备
`Convert to blob`	导出模型	为`RVC2`导出`.blob`而不是`.superblob`

量化设置

参数	类别	含义
`Quantization Data`	转换过程	用于校准量化转换的数据集
`Max Quantization Images`	转换过程	量化过程中使用的最大图像数量
`Target Precision`	转换过程	精度目标，例如针对 `RVC4` 的 `FP16` 或 `INT8`

在 Hub UI 中，你可以从以下通用数据集中选择：

Driving - 街道和车辆图像（OIv7 类别，如 Vehicle、Car、Traffic light 等）
Food - 水果、蔬菜、生食和熟食图像（OIv7 类别，如 Apple、Salad、Pizza 等）
General - OIv7 图像的随机子集，代表多种对象和场景
Indoors - 室内空间图像（OIv7 类别，如 Table、Chair、Fireplace 等）
Random - 随机像素图像
Warehouse - 仓库内部图像（叉车-1 图像的随机子集）

如果需要自定义量化数据集，请使用 HubAI SDK。有关更高级的转换和量化选项，请参阅 ModelConverter 文档。

在转换过程中，源预处理会被嵌入到导出的模型结构中。通常建议填写相关参数（Scale Values、Mean Values 和 Encoding），使转换后的模型期望 BGR 输入，且无需额外的缩放或均值移位。

预处理操作的顺序为：

反转输入通道；
减去均值；
除以缩放值。

在操作输入时请牢记这一点，例如均值和缩放应遵循模型原始颜色编码的顺序。如果你的原始预处理是 input = (input / 255.0 - mean) / std，并且运行时输入是 [0,255] 范围内的 8 位图像，则输入 Mean Values = 255 * mean 和 Scale Values = 255 * std。

对于标准的 ImageNet RGB 归一化，这意味着 Mean Values = [123.675, 116.28, 103.53] 和 Scale Values = [58.395, 57.12, 57.375]。

在 RGB 和 BGR 之间切换时，不要交换均值和缩放值。

只需重新排列通道以匹配原始源模型的编码。

几何预处理（如调整大小、裁剪或 letterboxing）仍由你在运行时负责，因此你的输入流水线仍需与模型的原始预处理匹配。

原始 ONNX 与 ONNX NN Archive 对比

起始点	Hub 可以自动确定的内容	你仍需定义的内容
原始 `ONNX`	图结构中的张量结构	训练阶段的预处理选择以及语义输出元数据（如类别名称和解析器配置）
`ONNX` NN Archive	张量元数据、预处理以及来自 `config.json` 的可选 `heads` 元数据	导出选择（如目标平台和转换特定选项）

如果从正确定义的 ONNX NN Archive 开始，通常不需要手动编辑导出的归档文件。导出的归档文件可能与源归档文件不同，这是预期的。例如，模型路径从 model.onnx 更改为编译后的构件（如 .superblob、.blob 或 .dlc），并且 mean/scale 可能变为 null，因为预处理已嵌入到编译后的模型中。

故障排除

并非所有模型都能成功转换为目标平台。你可以按如下方式检查失败的转换日志：

打开失败的转换作业

在 Failed Conversions（失败的转换）部分找到失败的作业并打开。

下载或检查日志

使用右上角的 Logs（日志）按钮下载日志，或直接检查页面上的 Conversion process logs（转换过程日志）部分。

如果导出失败，需要对模型或所使用的转换参数进行修正。请参考转换故障排除页面获取更多信息。

本页目录